针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题，首先，提出粒子群优化变分模态分解（particle swarm optimization-variational mode decomposition，简称PSO-VMD）和多元多尺度排列熵（multivariate multiscale permutation entropy，简称MMPE）的故障诊断方法，并结合粒子群优化支持向量机（particle swarm optimization-support vector machine，简称PSO-SVM）实现故障分类；其次，轴承振动信号经VMD处理为若干模态分量（intrinsic mode functions，简称IMF），选最优分量进行包络分析；然后，针对轧机轴承垂直水平轴向振动差别较大且受较大径向力与轴向力的特点，采用MMPE并考虑3维振动信号的4个分量的MMPE值与时域指标组成特征向量；最后，基于PSO-SVM模型对方法的有效性进行验证。计算和实验结果与集合经验模态分解（ensemble empirical mode decomposition，简称EEMD）与局部均值分解（local mean decomposition，简称LMD）方法对比表明，VMD-MMPE可以优化模型的输入，提高模型的诊断正确率和速度，实现轴承保持架与滚动体不同部位和不同损伤程度的故障诊断，具有重要的工程意义。